論文の概要: Exploring the Advantages of Quantum Generative Adversarial Networks in Generative Chemistry

• arxiv url: http://arxiv.org/abs/2210.16823v2
• Date: Thu, 12 Jan 2023 09:48:02 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-21 00:40:41.176866
• Title: Exploring the Advantages of Quantum Generative Adversarial Networks in Generative Chemistry
• Title（参考訳）: 生成化学における量子生成反転ネットワークの利点を探る
• Authors: Po-Yu Kao, Ya-Chu Yang, Wei-Yin Chiang, Jen-Yueh Hsiao, Min-Hsiu Hsieh, and Yen-Chu Lin
• Abstract要約: 我々は小分子発見のためのハイブリッド量子古典生成逆数ネットワーク(GAN)を提案した。 我々は,GANの各素子を可変量子回路(VQC)で置換し,小型薬物発見における量子的優位性を実証した。
• 参考スコア（独自算出の注目度）: 8.98977891798507
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: The drug development process is not only time and resource-consuming but also has a low probability of success. Recent advances in machine learning and deep learning technology have reduced costs and improved pharmaceutical research and development. De novo drug design with desired biological activities is crucial for developing novel therapeutics for patients. It is also an important step to keep the drug discovery pipeline moving forward. Artificial intelligence has pushed the limit of conventional drug design approaches, and quantum computing has demonstrated its advantages in different applications, e.g., solving routing problems and stock price forecasting. We proposed a hybrid quantum-classical generative adversarial network (GAN) for small molecule discovery. We substituted each element of GAN with a variational quantum circuit (VQC) and demonstrated the quantum advantages in the small drug discovery. Utilizing a VQC in the noise generator of GAN to generate small molecules achieves better physicochemical properties and performance in the goal-directed benchmark than the classical counterpart. Moreover, we demonstrate the potential of a VQC with only tens of learnable parameters in the generator of GAN to generate small molecules, which is a more complex problem than other quantum computing applications. In the end, we also demonstrate the quantum advantage of a VQC in the discriminator of GAN. In this hybrid model, the number of learnable parameters is significantly less than the classical ones, and it can still generate valid molecules. The hybrid model with only tens of training parameters in the quantum discriminator outperforms the MLP-based one in terms of generated molecule properties and KL-divergence.
• Abstract（参考訳）: 薬物開発プロセスは時間と資源を消費するだけでなく、成功の可能性が低い。 機械学習とディープラーニング技術の最近の進歩は、コストを削減し、医薬品の研究と開発を改善している。 望まれる生物活性を持つデノボの薬物設計は、患者に対する新しい治療薬の開発に不可欠である。 また、薬物発見パイプラインを前進させるための重要なステップでもある。 人工知能は従来の薬物設計アプローチの限界を押し上げ、量子コンピューティングはルーティング問題の解決や株価予測など、様々なアプリケーションでその利点を実証してきた。 小分子発見のためのハイブリッド量子古典生成逆数ネットワーク(GAN)を提案した。 GANの各素子を可変量子回路(VQC)で置換し,小型薬物発見における量子的優位性を実証した。 GANのノイズ発生器にVQCを応用して小さな分子を生成することで、ゴール指向ベンチマークの物理化学的特性と性能が従来のものよりも向上する。 さらに、GANの生成元に数個の学習可能なパラメータしか持たないVQCが、他の量子コンピューティングアプリケーションよりも複雑な問題である小さな分子を生成する可能性を実証する。 最後に、GANの判別器におけるVQCの量子的優位性を示す。 このハイブリッドモデルでは、学習可能なパラメータの数は古典的パラメータよりも著しく少なく、有効な分子を生成することができる。 量子判別器のトレーニングパラメータが10個しかないハイブリッドモデルは、生成分子特性とkl-divergenceの観点からmlpベースのモデルよりも優れている。

関連論文リスト

• Quantum Computing-Enhanced Algorithm Unveils Novel Inhibitors for KRAS [10.732020360180773]
  我々は16量子ビットのIBM量子コンピュータでトレーニングされた量子アルゴリズムのパワーをシームレスに統合する量子古典的生成モデルを導入する。 我々の研究は、実験で確認された生物学的ヒットを生み出すために量子生成モデルを使用した初めてのものである。
  論文  参考訳（メタデータ） (2024-02-13T04:19:06Z)
• Quantum Generative Diffusion Model: A Fully Quantum-Mechanical Model for Generating Quantum State Ensemble [40.06696963935616]
  本稿では,量子生成拡散モデル (QGDM) を単純かつエレガントな量子モデルとして紹介する。 QGDMはQGAN(Quantum Generative Adversarial Network)よりも高速な収束を示す 混合状態発生ではQGANよりも53.02%高い忠実性が得られる。
  論文  参考訳（メタデータ） (2024-01-13T10:56:34Z)
• Hybrid quantum cycle generative adversarial network for small molecule generation [0.0]
  本研究は、パラメタライズド量子回路の既知の分子生成逆数ネットワークへの工学的統合に基づく、いくつかの新しい生成逆数ネットワークモデルを導入する。 導入された機械学習モデルには、強化学習原理に基づく新しいマルチパラメータ報酬関数が組み込まれている。
  論文  参考訳（メタデータ） (2023-12-28T14:10:26Z)
• QH9: A Quantum Hamiltonian Prediction Benchmark for QM9 Molecules [69.25826391912368]
  QH9と呼ばれる新しい量子ハミルトンデータセットを生成し、999または2998の分子動力学軌道に対して正確なハミルトン行列を提供する。 現在の機械学習モデルでは、任意の分子に対するハミルトン行列を予測する能力がある。
  論文  参考訳（メタデータ） (2023-06-15T23:39:07Z)
• Potential energy surfaces inference of both ground and excited state using hybrid quantum-classical neural network [0.0]
  変分量子固有解器のシュロゲートモデリングのためのハイブリッド量子古典ニューラルネットワークが提案されている。 サブスペース探索型変分量子固有解法を用いて, 地中および励起状態のPSSを化学的精度で推定できるようにモデルを拡張した。
  論文  参考訳（メタデータ） (2022-12-06T14:28:44Z)
• Synergy Between Quantum Circuits and Tensor Networks: Short-cutting the Race to Practical Quantum Advantage [43.3054117987806]
  本稿では,量子回路の初期化を最適化するために,古典計算資源を利用するスケーラブルな手法を提案する。 本手法は, PQCのトレーニング性, 性能を, 様々な問題において著しく向上させることを示す。 古典的コンピュータを用いて限られた量子資源を増強する手法を実証することにより、量子コンピューティングにおける量子と量子に着想を得たモデル間の相乗効果を実証する。
  論文  参考訳（メタデータ） (2022-08-29T15:24:03Z)
• Recent Advances for Quantum Neural Networks in Generative Learning [98.88205308106778]
  量子生成学習モデル(QGLM)は、古典的な学習モデルを上回る可能性がある。 機械学習の観点からQGLMの現状を概観する。 従来の機械学習タスクと量子物理学の両方におけるQGLMの潜在的な応用について論じる。
  論文  参考訳（メタデータ） (2022-06-07T07:32:57Z)
• Exploring Chemical Space with Score-based Out-of-distribution Generation [57.15855198512551]
  生成微分方程式(SDE)にアウト・オブ・ディストリビューション制御を組み込んだスコアベース拡散方式を提案する。 いくつかの新しい分子は現実世界の薬物の基本的な要件を満たしていないため、MOODは特性予測器からの勾配を利用して条件付き生成を行う。 我々はMOODがトレーニング分布を超えて化学空間を探索できることを実験的に検証し、既存の方法で見いだされた分子、そして元のトレーニングプールの上位0.01%までも生成できることを実証した。
  論文  参考訳（メタデータ） (2022-06-06T06:17:11Z)
• Entangling Quantum Generative Adversarial Networks [53.25397072813582]
  量子生成逆数ネットワーク(量子GAN, EQ-GAN)のための新しいタイプのアーキテクチャを提案する。 EQ-GANはコヒーレントなエラーに対してさらなる堅牢性を示し、Google Sycamore超伝導量子プロセッサで実験的にEQ-GANの有効性を示す。
  論文  参考訳（メタデータ） (2021-04-30T20:38:41Z)
• Drug Discovery Approaches using Quantum Machine Learning [10.321495133438242]
  深層生成モデルと予測モデルは、薬物開発を支援するために広く採用されている。 そこで本研究では,小分子の生成,タンパク質の結合ポケットの分類,大分子の生成を行う量子機械学習手法を提案する。
  論文  参考訳（メタデータ） (2021-04-01T19:53:06Z)
• Quantum Generative Models for Small Molecule Drug Discovery [8.7660229706359]
  既存の創薬パイプラインは5〜10年を要し、数十億ドルの費用がかかります。 分子のよりリッチな表現を学習するためのハイブリッドジェネレータ(QGAN-HG)を用いた量子GANを提案する。
  論文  参考訳（メタデータ） (2021-01-09T22:33:16Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。